Investigadores de la Universidad de Brown han descubierto similitudes sorprendentes entre la forma en que los humanos y la inteligencia artificial (IA) integran dos tipos diferentes de aprendizaje. Esta investigación, publicada en las Actas de la Academia Nacional de Ciencias, podría transformar nuestra comprensión de cómo aprendemos y cómo podemos desarrollar herramientas de IA más intuitivas.
Detalles del estudio
El estudio fue liderado por Jake Russin, un asociado postdoctoral en ciencias de la computación en Brown. Los hallazgos indican que, al entrenar un sistema de IA, los modos de aprendizaje flexibles e incrementales interactúan de manera similar a la memoria de trabajo y la memoria a largo plazo en los humanos. «Estos resultados ayudan a explicar por qué un humano puede parecer un aprendiz basado en reglas en ciertas circunstancias y un aprendiz incremental en otras», comentó Russin.
Russin, que trabaja en colaboración con el profesor Michael Frank y la profesora Ellie Pavlick, desarrolló la teoría de que la dinámica del aprendizaje humano podría asemejarse a la interacción entre la memoria de trabajo y la memoria a largo plazo. Este enfoque proporciona un nuevo marco para entender cómo la IA puede emular procesos cognitivos humanos.
Metodología y experimentos
Para probar su teoría, Russin utilizó un enfoque conocido como “meta-aprendizaje”, que permite a los sistemas de IA aprender sobre el acto de aprender en sí. A través de múltiples ejemplos, el equipo descubrió que la habilidad del sistema de IA para realizar aprendizaje en contexto surgió después de haber pasado por un proceso de meta-aprendizaje.
En un experimento diseñado para evaluar el aprendizaje en contexto, la IA fue desafiada a combinar ideas similares para adaptarse a nuevas situaciones. Por ejemplo, se le enseñó una lista de colores y otra de animales, y se le preguntó si podía identificar una combinación de ambos que no había visto previamente, como un “jirafa verde”. Tras ser sometida a 12,000 tareas similares, la IA demostró que podía identificar combinaciones de colores y animales con éxito.
Implicaciones y aplicaciones futuras
Los resultados sugieren que tanto los humanos como la IA pueden beneficiarse de un aprendizaje más rápido y flexible después de haber realizado un aprendizaje incremental. Esto se asemeja a la experiencia de aprender a jugar un juego de mesa: a medida que se adquiere experiencia, se vuelve más fácil aprender las reglas de nuevos juegos.
El estudio también revela un intercambio entre la retención del aprendizaje y la flexibilidad. Al igual que en humanos, si la IA enfrenta un desafío difícil, es más probable que recuerde cómo realizar la tarea en el futuro. Según el profesor Frank, los errores pueden activar al cerebro para actualizar la información en la memoria a largo plazo, mientras que las acciones sin errores aprendidas en contexto aumentan la flexibilidad pero no involucran la memoria en la misma medida.
Este trabajo no solo ofrece un nuevo entendimiento sobre los sistemas de IA, sino que también plantea consideraciones importantes para el desarrollo de herramientas de IA confiables e intuitivas, especialmente en campos sensibles como la salud mental. Según Pavlick, es crucial que la cognición humana y de IA sean conscientes de sus similitudes y diferencias para crear asistentes de IA efectivos y confiables.
